[기초 세션 복습] 생성형 AI와 LLM, RAG, AGENT까지

2026년 3월 30일 synapse 기초 세션 복습 과제입니다

 

1. 생성형 AI

기존 데이터 재현 X

→ 패턴과 구조를 학습하여 새로운 데이터 생성

 

생성형 AI는 라벨 없이도 학습이 가능하다

→ 입력 데이터가 정답 역할을 하기 때문

 

학습 단계 + 생성 단계

→ 구조와 패턴을 학습하고 이를 바탕으로 잠재 변수를 활용하여 새로운 데이터를 생성

 

• 잠재 변수를 활용하여 데이터를 생성하는 모델 예시
  • Generative Adversarial Networks (GANs)
  • Variational Autoencoders (VAEs)
  • 확산 모델 (Diffusion Model)
• 자귀회귀 모델

→ 이전 데이터를 바탕으로 다음 데이터를 하나씩 생성 

 

따라서 생성형 AI는 데이터에 매우 강하게 의존하고 데이터에 따라 모델의 성능과 결과가 달라진다

 

2. LLM

생성형 AI의 모델 중 하나

대량의 텍스트 데이터를 학습하여 인간과 유사한 언어를 생성

 

 LLM 동작 방식

• Next Token Prediction

다음에 올 단어의 확률을 보고 가장 자연스러운 단어를 계속해서 이어붙인다

 

• In-context Learning

프롬프트 안에서 포함된 예시를 보고 학습

• Zero-shot
• One-shot
• Few-shot

 

LLM 학습 방식의 한계

• Hallucination: 사실이 아닌 내용을 생성함
• 최신 정보 반영 어려움
• 긴 문맥 처리 제한
• 출처를 제시하기 어려움

 

 

3. RAG

 

RAG의 등장

LLM은 자신이 학습한 내부 지식만으로 답변하는 모델

따라서 근거 없는 정보를 내놓는 경우 발생

 

→ 기존 LLM처럼 내부 파라미터만 쓰는 게 아니라 외부 지식(DB, 문서, 벡터DB 등)을 활용하는 구조

 

작동 방식

질문 → 관련 정보 검색 → 그 정보를 바탕으로 답변 생성

• Retrieval (검색)
• Augmentation (증강)
• Generation (생성)

장점

• 최신 정보 반영 가능
• 정확도 향상
• 출처 제공 가능
• Hallucination 감소
• 범용성 유지

한계

• 검색이 잘못되면 답변도 틀리게 됨
• 한 번의 검색으로 복잡한 문제 해결이 어려움

 

4. Agent

스스로 판단하고 행동하는 AI

정보 찾고, 정리하고, 실행까지 스스로 진행

 

→ 단순 응답이 아닌 작업 수행 중심 AI

 

• 자율성
• 반응성
• 목표 지향성
• 학습 능력

 

생각(모델) → 계획(오케스트레이션) → 실행(도구)

라는 분업 구조로 동작

 

에이전트가 목적을 달성하기 위해 생각하고 계획하며 실행하는 구조

• ReAct - 생각하고 바로 행동
• COT(Chain of Thought) - 논리적으로 단계 구상
• TOT(Tree of Thought) - 다양한 가능성을 평가하며 결정

 

 

Multi-Agent ⊂ Agentic AI

 

5. Agentic AI

• 고도의 자율성
• 멀티 에이전트 협업
• 동적 계획 수정
• 복잡한 문제 해결

 

 

6. Multi-Agent

• 명확한 역할 정의 
• 에이전트 간 통신
  • A2A (Agent-to-Agent) 
• 협업 방식 (2가지)
  • 오케스트레이션 방식
  • 코레오그래피 방식

 

 

 

Multimodal Agent

텍스트 + 이미지 + 영상 처리

• 화면 조작
• 이미지 이해
• 로봇 제어까지 가능

입력 (Multi-modal Input) → 인식 (Perception) → 추론 (Reasoning) → 행동 (Action)